面向任意采样张量完成的归纳卷积范数最小化
计算机视觉与模式识别
2026-04-21 v1 人工智能
摘要
最近提出的卷积范数最小化 (CNNM) 方法针对任意采样的张量完成 (TCAS) 这一问题提供了解决方案, 即从以任意方式采样的子集条目中恢复张量. 尽管其性能前景光明, 但 CNNM 的优化过程需要多次进行奇异值分解 (SVD), 这在计算上昂贵且难以并行化. 为此, 本文从卷积特征向量的角度重新构建 CNNM 的优化目标; 通过引入在不同张量之间共享的预学习卷积特征向量, 提出一种新方法称为归纳卷积范数最小化 (ICNNM), 以规避 SVD 步骤, 大幅降低计算时间. 此外, 由于预学习卷积特征向量中编码的额外先验知识, ICNNM 也在恢复性能方面优于 CNNM. 在视频完成、预测和帧插值等广泛实验中, ICNNM 在诸多竞争方法中均表现出优势.
引用
@article{arxiv.2604.17001,
title = {Inductive Convolution Nuclear Norm Minimization for Tensor Completion with Arbitrary Sampling},
author = {Wei Li and Yuyang Li and Kaile Du and Yi Yu and Guangcan Liu},
journal= {arXiv preprint arXiv:2604.17001},
year = {2026}
}
备注
11